ИССЛЕДОВАНИЕ, ПРОЕКТИРОВАНИЕ ИНФОРМАЦИОННОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ МЕДИЦИНСКОЙ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ

Аннотация:    В    рамках    работы    обоснована    актуальность    компьютерной диагностики, потребность в программных разработках в данной области. Рассмотрены основные этапы процесса диагностики. В качестве примера для рассмотрения выбран метод диагностики состояния параназальных (придаточных) пазух по их рентгенографическим изображениям. Приведены основные методы реализации данных этапов диагностики. Подробно описаны математические модели эталонного и безэталонного методов выявления патологий. Развитие информационного и программного обеспечения в области медицинской компьютерной диагностики может значительно повысить эффективность рентгенодиагностики. 

Ключевые слова: система, подсистема, информационное обеспечение, программное обеспечение, диагностика, метод диагностики рентгенографических снимков, фильтрация, сегментация, эталон, математическое ожидание, дисперсия, среднее квадратичное отклонение, коэффициент вариации.

Методы автоматизированной компьютерной диагностики приобретают все большую важность на современном этапе развития медицины. Данные методы позволяют повысить достоверность, эффективность, объективность, обеспечить формализацию результатов диагностики, а также выявить заболевание на ранних этапах.

В последнее время одним из актуальных направлений развития компьютерных технологий в медицине становится обработка цифровых изображений: улучшение качества изображения, восстановление поврежденных изображений, распознавание отдельных элементов. Распознавание патологических процессов является одной из наиболее важных задач обработки и анализа медицинских изображений[1].

Общей тенденцией в развитии диагностических методов является объективизация результатов обследования, так как зачастую на результаты исследований влияют такие факторы как условия освещения, уровень квалификации персонала, субъективность оценки результатов анализа. Для устранения этих факторов необходимы медицинские автоматизированные системы для диагностики заболеваний [2].

Непосредственно процесс диагностики можно представить в виде следующих основных шагов: фильтрация, сегментация, распознавание и принятие решения.

Предварительная фильтрация необходима, так как исходные изображения не всегда отличаются высоким качеством. Последующие этапы диагностики могут выдать некорректные результаты, если помехи с входного изображения не будут устранены.

Сегментация означает выделение областей на изображении представляющих интерес для исследования.

Этап распознавания заключается в выявлении определенных свойств сегментов. Данные свойства являются базой для анализа, к какому классу отнести исходные данные.

Этап принятия решения необходим, если на этапе распознавания образов применяются несколько алгоритмов и существует возможность, что данные алгоритмы могут дать несогласованные результаты.

Рассмотрим процесс диагностики состояния параназальных (придаточных) пазух по их рентгенографическим изображениям.

Медицинские изображения могут иметь особенности, связанные с физическими принципами, лежащими в основе визуализации. Число квантов, испускаемых рентгеновскими источниками за фиксированный интервал времени, является случайной величиной, поэтому элемент случайности заложен в самой природе источника излучения. Проходя через исследуемый объект, кванты поглощаются веществом случайным образом. В целях снижения дозы облучения, его мощность снижается, что приводит к увеличению относительного уровня шума[3].

Классические линейные фильтры способны эффективно удалить статистический шум, но степень размытости мелких деталей на изображении может превысить допустимые значения. Намного лучшего результата можно добиться, используя адаптивные фильтры, поведение которых изменяется в зависимости от статистических свойств изображения внутри области действия фильтра [4,5]. Общее уменьшение шума в этом случае сравнимо с уменьшением шума при использовании усредняющих фильтров. Однако изображение, полученное после обработки адаптивным фильтром, является намного более резким. Также применимы билатеральные фильтры, предложенные в работах Томази [6]. Их суть заключается в использовании локальных оценок, адекватных определению контура на изображении и сглаживания таких участков в наименьшей степени.

При выделении контуров происходит замена исходного полутонового изображения преобразованным, в котором вместо исходных яркостей подставлены локальные контурные признаки. Новое изображение должно отвечать определённым требованиям, главное из которых – получение устойчивых результатов контурной обработки. Для решения задачи сегментации хорошо подходит метод Canny. Такой подход устойчив к шуму и демонстрирует в большинстве случаев лучшие результаты по отношению к другим методам [7]. Метод Canny включает в себя четыре этапа: сглаживание, дифференцирование, подавление в точках отсутствия максимума и пороговая сегментация.

Фильтрация и сегментация являются подготовительными шагами. Ошибки при реализации данных этапов могут привести к некорректной классификации на этапе распознавания, а в итоге и к неверным результатам работы. Обработка исходного изображения производится строго последовательно, а также отсутствует возможность возврата на предыдущие этапы обработки, даже если ранее были получены некорректные результаты[7].

Вследствие, того что не существует универсального метода сегментации, превосходящего по своим результатам остальные, целесообразно предусмотреть режим работы с ручным выделением информативных областей, для последующего их анализа.

При диагностике состояния параназальных пазух информативными областями изображения будут непосредственно параназальные (придаточные) пазухи носа, а также глазницы. Данные области представлены на рисунке 1. Области глазниц являются информативными, так как они могут выступать в качестве эталона. Если цветовые оттенки совпадают областей глазниц и придаточных пазух совпадают, то никаких отклонений от нормы не выявлено.

Представим две математические модели отнесения изображения к определенному классу, который выражает степень поражения придаточных пазух носа.

Математическая модель эталонного способа. Рентгенографическое изображение диагностируемого фрагмента представляем двумерной функцией значений интенсивностей яркостей пикселей функция, где X и Y – это пространственные координаты пикселей цифрового исследуемого фрагмента объекта. Фрагмент исследуемого объекта (параназальная пазуха) и его эталон(глазница)можно представить следующими матрицами интенсивности яркости пикселей:

Далее представлены основные этапы алгоритма эталонного способа.

 На первом этапе вычисляется нормированные гистограммы распределения уровней яркости фрагмента ℎ𝑖hi (rk ) :

где ni - общее количество пикселей в заданном фрагменте изображения;

nk  - число пикселей изображения, уровень которых равен rk.

В     результате получаем нормированные гистограммы исследуемого рентгеновского снимка. Сводный график гистограмм позволяет сравнить распределение вероятностей интенсивностей яркости для каждого из фрагментов по отношению к другому и произвести диагностику на основе данной информации. Таким образом, гистограммная модель плотности распределения вероятностей яркости информативных фрагментов позволяет оценить его яркостное распределение, сравнить с  другими информативными областями изображения и состояние придаточных пазух.

Вторым шагом является сравнение между собой средних значений:

Оценка      состояния       пазухи       осуществляется       посредством       отношений математических ожиданий объекта и эталона и с помощью вариационного коэффициента, определяемых отношением среднеквадратичных отклонений к математическим ожиданиям соответственно  для каждой гистограмм.  Патология  пазухи выявлена,  если отношение между математическими ожиданиями гистограмм объекта и эталона превышает единицу, а коэффициент вариации лобной пазухи превышает соответствующий коэффициент эталона. Также диагностика может быть осуществлена врачом при наложении гистограмм в одну систему координат.

Недостатком эталонного способа является большая зависимость его результатов от качества исследуемых объектов.

Рассмотрим математическую модель безэталонного    способа. Определим термин «изображение» как  некий математический объект, обладающий  определенными математическими свойствами. При проведении математических операций над изображением по аналогии с эталонным способом предполагаем, что оно существует в цифровой форме и представляется дискретным массивом чисел, образующих матрицу элементов bij  с параметрами (i, j), где    Элементы bij   являются квадратом (пикселем, апертурой), определяемым неравенством i − 1 ≤ x ≤ i и j − 1 ≤ y ≤ i (xиy – пространственные координаты непрерывного изображения). Матрице[bij] порядкаn × n можно сопоставить изображение, значение яркости которого в квадрате bij равно постоянной величине b̅ ij для каждой пары (i, j). Элемент цифрового изображения можно представить в виде случайной величины b̅(i, j), а матрицу n × n как матрицу случайных величин [b̅(i, j)].

Числаbijпринимаем за представителей случайной величины b̅(i, j), распространяем их значение на площадь всего элемента, то обозначения матрицы типичного цифрового изображения будет иметь следующий вид:

Список литературы

1.      Гостюшкин В. В., Косых Н. Э., Савин С. З. Модели и методы обработки медицинских изображений. Хабаровск: Вычислительный центр ДВО РАН, 20с.

2.      Бакуткин, В. В. Хромопупиллометрия в оценке состояния зрительного анализатора. Саратов: Саратовский источник 2015. – 227с.

3.      Бондина Н. Н., Калмычков А. С., Кривенцов В. Э. Сравнительный анализ алгоритмов фильтрации медицинских изображений. Харьков: Вестник национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование, – 2012. – 15с.

4.      Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2006. 1072 с.

 5.      Уидроу Б., Стирнз С. Адаптивная обработка сигналов.— М.: Радио и связь,1989. –440 с.

 6.      Ширма А. А., Чулюков В. А. Нейросетевые модели адаптивной фильтрации полутоновых изображений. Воронеж: Вестник Воронежского института МВД России, 2010. – 185c.

7.      Дороничева А.В., Савин С.З. Метод сегментации медицинских изображений.Хабаровск: ФБГУН «Вычислительный центр» ДВО РАН,2015. – 295-296c.

 8.      Проскуряков А. В Реализация способов диагностики заболеваний в медицинской автоматизированной информационной системе поддержки принятия решений. Владимир, Суздаль: Сборник трудов XII Международной научно- технической конференции «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ’2016) 2016, С.303-307